图像分块压缩感知中的自适应粒重建算法

在图像分块压缩感知（Block compressed sensning, BCS）框架下,基于平滑投影Landweber迭代的重建算法能以低计算复杂度确保良好率失真性能,尤其是采用主成分分析（Principle component analysis, PCA）作自适应硬阈值收缩。然而,在PCA学习过程中忽略了图像局部结构特性平稳,会影响Landweber迭代重建性能的提升。针对该问题,本文采用粒计算（Granular computing, GrC）理论,根据图像子块结构特性将图像分解为若干粒,再实施PCA学习各粒的稀疏表示基底,并 对粒内子块硬阈值收缩去噪。由于粒内图像子块具有平稳的结构特性,可有效改善硬阈值收缩性能。实验结果表明,与传统算法相比,本文算法重建图像的整体客观质量较优, 且可更好地保护边缘与纹理等重要细节,主观视觉质量良好,与此同时,保证了较低的重建计算复杂度。     

利用信息熵的岩心图像自适应压缩感知重构

针对BCS-SPL算法对岩心图像进行压缩感知重构的细节模糊的问题,提出一种利用信息熵的岩心图像BCS-SPL压缩感知重构算法.采用小波变换对岩心图像进行稀疏表示,对各子带进行多尺度分块,依据信息熵的大小自适应分配采样率并确定观测矩阵,通过维纳滤波结合Landweber迭代操作实现重构.实验结果表明,在相同采样率下,与原始的BCS-SPL算法相比,该算法的重构质量提高了2-4 dB.     

Super-resolution Reconstruction of Remote Sensing Images by Using Empirical Mode Decomposition and Compressed Sensing

Super resolution (SR) of remote sensing images is significant for improving accuracy of target identification and for image fusing.Conventional fusion-based methods inevitably result in distortion of spectral information,a feasible solution to the problem is the single-image based super resolution.In this work,we proposed a single-image based approach to super resolution of multiband remote sensing images.The method combines the EMD (Empirical Mode Decomposition),compressed sensing and PCA to dictionary learning and super resolution reconstruction of remote sensing color image.First,the original image is decomposed into a series of IMFs(Intrinsic Mode Function) according to their frequency component by using EMD,and the super resolution is implemented only on IMF1,which includes high-frequency component;then the K-SVD algorithm is used to learn and obtain overcomplete dictionaries,and the MOP (Orthogonal Matching Pursuit) algorithm is used to reconstruct the IMF1;Finally,the up-scaled IMF1 is combined with other IMFs to acquire the super resolution of original image.For a multiband image reconstruction,a PCA transform is first implemented on multiband image,and the PC1 is adopted for learning to get overcomplete dictionaries,the obtained dictionaries is then used to super-resolution reconstruction of each multi-spectral band.The Geoeye-1 panchromatic and multi-spectral images are used as experimental data to demonstrate the effectiveness of the proposed algorithm.The results show that the proposed method is workable to exhibit the detail within the images.     

一种改进的压缩感知重构算法

压缩感知重构信号时,在感知过程中如何选定支撑集对算法的重构性能至关重要.基于压缩采样匹配(CoSaMP)重构算法,引入Dice系数匹配性度量准则,优化了支撑集的选择.上述算法改进了从给定的观测矩阵中挑选与残差信号最匹配原子的匹配准则,体现了残差信号中各个元素对原子选取的重要作用.仿真结果表明:在同等稀疏的条件下,重构算法与传统的CoSaMP算法相比,误差低于传统CoSaMP算法,且随着观测维数的增加,重构信号的平均成功概率比传统的CoSaMP算法的大,实现了较小的重构误差和更好的压缩性能.     

基于非下采样轮廓波的MRI图像的压缩感知重构

压缩感知是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量值中通过非线性优化的方法精确重构信号。压缩感知以远低于奈奎斯特频率的采样频率,在压缩成像系统、医学图像处理等领域有着广阔的应用前景。提出算法采用非下采样轮廓波变换稀疏表达原始图像,通过傅立叶矩阵进行测量,最后采用迭代软阈值算法实现医学MRI图像的压缩感知重构。以峰值信噪比、互信息、伪影功率为评价指标,比较小波变换、频率局部化轮廓波变换以及非下采样轮廓波变换三者的压缩感知重构效果。实验结果表明,无论采样率设置如何变化,提出算法在峰值信噪比、原始信息保留比例以及重构精度等方面均具有明显优势,在快速医学成像领域具有广阔的应用前景。     

基于多重假设的视频压缩感知分层重建

为了改进视频压缩感知方案的性能,提出了一种基于多重假设的视频压缩感知分层重建方案。该重建方案以图像组为单位进行,首先独立重建关键帧,接下来对图像组中的每个非关键帧分配重建层级,并按照层级顺序由低至高逐层重建。每个非关键帧的重建过程逐块进行,需要其时域参考帧及当前帧中的空域数据集为每个重建块做混合多重假设预测,并通过求解全变分最小化问题重建预测残差,最后将预测值与预测残差相加得到重建图像。实验结果表明,在相同采样率下,本文提出的基于多重假设的分层重建方案比已有的方法可以获得最高约3.2dB的峰值信噪比增益。     

基于压缩传感理论的数据重建

随着信息技术的不断发展,人们对信息需求量越来越大,这给信号采样、传输和存储的实现带来的压力越来越大.近年来国际上出现的压缩传感理论为该问题的解决提供了新的解决方案.压缩传感理论首先将信号投影到一个低维的信号空间,然后通过解-个基于凸优化的非线性恢复算法将信号恢复,而仅仅需要很少的数据.介绍了CS理论框架并对其中存在的难点问题进行了探讨,主要有稀疏近似理论、观测矩阵、信号重建算法.最后将压缩传感理论应用到一维和二维图像数据重建中并给出了仿真结果.实验结果表明,该方法与传统压缩方法相比具有更高的压缩比,并且能够得到更小的压缩误差.     

基于GPU的压缩感知重构算法的设计与实现

针对大尺度压缩感知重构算法实时性应用的需要,探讨了基于图形处理器(GPU)的正交匹配追踪算法(OMP)的加速方法及实现。为降低中央处理器与GPU之间传输的高延迟,将整个OMP算法的迭代过程转移到GPU上并行执行。其中,在GPU端根据全局存储器的访问特点,改进CUDA程序使存储访问满足合并访问条件,降低访问延迟。同时,根据流多处理器(SM)的资源条件,增加SM中共享存储器的分配,通过改进线程访问算法来降低bank conflict,提高访存速度。在NVIDIA Tesla K20Xm GPU和Intel(R) E5-2650 CPU上进行了测试,结果表明,算法中耗时长的投影模块、更新权值模块分别可获得32和46倍的加速比,算法整体可获得34倍的加速比。     

面向风电数据的WSN压缩感知数据重构

分段弱正交匹配追踪（SWOMP）算法的算法简单、运算速度快,适合应用在风电场环境下的无线传感网络（WSN）中。通过对门限参数以及最佳原子进行研究与分析,发现这两个因素的不同方式都对SWOMP算法的重构成功率有较大的影响,选用PID自适应方式以及Dice系数匹配准则优化传统算法存在的问题。基于PID自适应的思想,来调整每次重构之后门限参数的误差,然后再使用得到的门限参数对算法进行重构;在上述调整的门限参数重构算法中,再对原子的选择过程使用Dice系数优化,使原始算法中原始信号部分丢失的问题进行解决,通过该过程使重构精度得到提高。仿真实验结果表明：在相同的条件下,与传统的SWOMP算法相比,改进的SWOMP算法的重构成功率更高。     

基于压缩感知的电能质量压缩采样重构算法

针对电能质量扰动信号的重构问题,在压缩采样匹配追踪(Compressive sampling matching pursuit,CoSaMP)算法的基础上,为解决原算法的不足,提出一种改进的压缩采样匹配追踪(Modified compressive sampling matching pursuit,MCSMP)算法,并将其应用在电能质量信号的重构上。该算法在候选集的选择阶段采用模糊阈值的方式代替原算法固定个数的选择方式,并以相邻迭代感知矩阵与残差之间的相关度变化量作为算法的停止条件,为回溯过程的剪裁减轻了负担,避免了不必要的迭代,提高了算法的运行效率。仿真实验结果表明:无论是重构性能指标或是重构速度,MCSMP算法的重构结果都优于CoSaMP算法。     

基于投影寻踪的高光谱图像特征融合算法

高光谱遥感技术的迅速发展对高光谱图像的数据降维和特征提取等处理方法提出了新的要求;通常的降维处理方法包括主成分分析和投影寻踪两种方法,根据主成分分析方法能反映数据全局特征和投影寻踪法,可以反映出数据局部特征的特点,提出了基于主成分分析与投影寻踪的高光谱图像特征融合算法,将两种方法得到的特征图像进行小波分解并按照高低频互补的融合规则完成了高光谱图像的特征融合,实验证明此方法能够保留场景中感兴趣目标物和背景信息,实现数据的有效压缩。     

基于压缩感知的图像重构算法

在图像压缩感知中,梯度投影恢复算法存在收敛速度慢、迭代次数多、对数据稀疏度过分敏感的问题。为此,提出一种基于压缩感知的图像重构算法。将拟牛顿法引入稀疏梯度投影算法中,利用拟牛顿法的估计校正机制以及其全局超线性收敛性,通过对目标函数的校正,获得更精确的搜索方向,从而减少迭代次数,构成有效收敛的图像恢复算法。实验结果表明,与传统梯度投影恢复算法相比,该算法在保证较好图像恢复效果的同时具有较好的抗噪性能,并且在减少迭代次数的基础上能有效降低重构误差,得到稳定收敛的重构结果。     

基于多视图边界判别投影的高光谱图像分类

高光谱图像分类是遥感领域研究的热点问题,其关键在于利用高光谱图谱合一的 优势,同时融合高光谱图像中各个像元位置的光谱信息和空间信息,提高光谱图像分类精度。 针对高光谱图像特征维数高和冗余信息多等问题,采用多视图子空间学习方法进行特征降维, 提出了图正则化的多视图边界判别投影算法。将每个像元处的光谱特征看作一个视图,该像元 处的空间特征看作另一个视图,通过同时优化每个视图上的投影方向来寻找最优判别公共子空 间。公开测试数据集上的分类实验表明,多视图学习在高光谱图像空谱融合分类方面具有显著 的优越性,在多视图降维算法中,该算法具有最高的分类准确性。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

基于Curvelet变换的图像压缩感知重构

压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示,但是DCT时频分析性能不佳,小波方向选择性差,不能很好地表示图像边缘的信息。为此,利用Curvelet变换具有的多尺度、各向奇异性、更高稀疏表示性能等特性,提出基于Curvelet变换的图像压缩感知重构算法,采用Curvelet对图像进行稀疏表示和小波域阈值处理,以此解决信号重构噪声问题。实验结果证明,与传统小波变换和Contourlet变换相比,该算法在Lena图像上峰值信噪比平均提高了1.86 dB和1.15 dB。将Curvelet变换应用于压缩感知,能使图像边缘和平滑部分得到最优的表示,图像细节部分重构效果得到大幅提升,有效提高图像整体重构质量。     

基于变步长的正则回溯SAMP压缩感知重构算法

稀疏度自适应正则回溯匹配追踪算法（SAMP algorithm based on Regularized Backtracking ,SAMP-RB）是一种有效的压缩感知重构算法,在原子选择阶段引入回溯的思想,提高了重构精度,减少了重构时间。但SAMP-RB算法重构时采用步长不变的思想,容易因步长设置不合理而导致过估计或欠估计的问题。针对该问题,本文为提高残差大时的逼近速度,及残差小时的逼近精度,提出抛物线函数步长选择方法,并将其引入SAMP-RB算法。理论分析与仿真结果表明,改进后的变步长的正则回溯稀疏度自适应匹配追踪算法在提高重构精度的同时,重构时间降低了20%左右,因此验证了改进算法的有效性。     

基于StOMP算法的WSN压缩感知数据重构

分段正交匹配追踪算法(StOMP)运算速度快、计算量小,适用于无线传感器网络(WSN)压缩感知数据重构。为此,分析并研究StOMP算法的门限阈值选取对WSN压缩感知数据重构精度的影响,提出一种StOMP算法门限阈值的自适应调整方法。基于比例-积分-微分方法的思想,根据StOMP算法的当次重构误差计算门限阈值的调整值,并使用调整后的门限阈值重新进行数据重构,重复该过程以提高重构精度。实验结果表明,该方法能快速找到满足误差要求的门限阈值,与采用固定门限阈值的调整方法相比,重构精度更高。     

基于边信息的分布式视频压缩感知重建

WZ视频编码系统中的虚拟信道会因信道模型参数估计的不稳定导致系统性能下降,为了克服该问题,提出不带有虚拟信道的分布式视频压缩感知重建算法,仅靠解码端获得的压缩感知观测值对非关键帧的错误进行纠正,并利用平滑投影Landweber迭代求解联合重建模型.实验证明本文所提出算法获得了更好的率失真性能和更低的重建时间.     

基于压缩感知理论的图像信号含噪的重构算法

针对含噪情形下机器人视觉图像信号重构问题,提出了一种基于小波变换的变步长自适应分块压缩感知重构算法.首先,对含噪图像信号进行离散小波变换,从而达到很好的去相关性;其次,对变换后的图像信号进行分块,对每个图像子块信号进行测量;接着,对每个子块测量信号进行变步长自适应匹配追踪重构计算,得到每一图像子块的重构值,并将其整合得到整幅图像的重构值;最后,对该算法进行了仿真研究.结果表明,相比传统重构算法,本文方法针对含噪图像具有更高的重构质量.